House Prices: Advanced Regression Techniques(房价预测)

最新推荐文章于 2024-08-01 03:28:20 发布

原创

最新推荐文章于 2024-08-01 03:28:20 发布 · 3.4k 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#Kaggle #Python #sklearn #回归

该博客探讨了如何在Kaggle的'House Prices: Advanced Regression Techniques'竞赛中预测房价。作者首先介绍问题背景，然后通过分析79个变量来确定影响房价的关键因素。接着，他们对数据进行清洗和转换，并进行了初步的特征工程。虽然没有进行参数优化，但提供了数据来源链接以及一个简单的预测模型实现，为后续改进留出了空间。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

问题背景：购房者需要购买梦想中的房子，你需要从房子的79个变量中预测房子的价格是多少.

分为以下几个步骤：

导入数据观察每个变量特征的意义以及对于房价的重要程度
筛选出主要影响房价的变量
清洗和转换变量
测试和输出数据

https://www.kaggle.com/c/house-prices-advanced-regression-techniques/data 这个是官方的地址可以从中获得数据文件

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

data_train = pd.read_csv('train.csv')
data_test = pd.read_csv('test.csv')
data_train.sample(3)

def drop_low_colums(df):
    data_corr=df.corr()
    d_list=data_corr[data_corr.SalePrice<0.5].index.tolist()
    return d_list

data_train=data_train.drop(['YearBuilt','1stFlrSF'], axis=1)
data_test=data_test.drop(['YearBuilt','1stFlrSF'], axis=1)
data_drop_train=data_train.drop(['Alley','PoolQC','Fence','MiscFeature'], axis=1)
data_drop_test=data_test.drop(['Alley','PoolQC','Fence','MiscFeature'], axis=1)
drop_list=drop_low_colums(data_drop_train)
data_drop_train1=data_drop_train.drop(drop_list, axis=1)
data_drop_test1=data_drop_test.drop(drop_list, axis=1)

data_drop_train1=data_drop_train1.fillna('0')
data_drop_test1=data_drop_test1.fillna('0')

from sklearn imp

最低0.47元/天解锁文章

200万优质内容无限畅学